跟踪雷达无塔校相方法及应用

在测控、火控和情报侦收等系统中,雷达的跟踪校相依赖于标校塔。通常的无塔校相是以浮空信号源代替标校塔,仍会在实战中暴露我方的位置和参数,招致反辐射导弹的攻击。首次提出伪相关解调技术,只需在跟踪接收机内增加一移相器,便可利用雷达通常都有的上行自检信道实现校相。方法极为简单、经济,适用于各种单脉冲跟踪体制,对迅捷完成大量现有雷达的改造,提高战场隐身能力,有很大参考价值。     

直升机全包线飞行控制律的优化设计及其仿真

提出了一种基于多目标遗传算法的直升机全包线飞行控制律优化设计方法。把直升机全包线飞行控制律设计处理成一个多目标优化问题,并以全部设计点总体性能最优作为多目标优化的总目标,以各设计点性能最优作为子目标,以控制律设计要满足的动、静态指标作为约束条件,以控制律参数作为决策变量,再应用多目标遗传算法进行控制律参数寻优。仿真结果表明,应用该方法所获得的直升机俯仰通道控制律参数具有良好的飞行品质和和较好的适应性,表明该方法是合理的和有效的。     

从空间站出发的奔月轨道设计

由于空间站的运行轨道在惯性空间是已经确定的,因此对于基于空间站组装的月球探测器,需要对其奔月轨道做出专门设计.本文结合月球的运动规律,建立了完整的奔月轨道数学模型,并结合工程的实际背景,给出了相应的约束条件,从而将轨道设计问题转化为求解满足一系列约束条件的轨道动力学方程.然后通过选取合理的优化目标和约束参数,利用遗传算法和SOP算法进行求解,计算得到了满足条件的奔月轨道参数.最后,将得到的初步设计结果,与STK计算结果进行了比较,进一步验证了结论的正确性.     

无人装备智能视觉技术与发展

无人装备与智能视觉技术的有机结合,能够极大拓展军事情报来源和分析手段,有效提升无人装备的战场信息获取与分析能力。本文对无人装备发展情况进行论述,从基于深度学习的图像感知和图像认知两个方面对智能视觉技术进行分析,在此基础上提出无人装备智能视觉技术未来发展策略和建议。     

基于先验稀疏模型的光谱图像压缩采样检测

压缩信号处理为更加高效地实现光谱图像数据采集和处理提供了有效途径,针对传统压缩采样检测算法未针对待测信号专门设计采样矩阵,检测性能低于传统采样方式,且鲁棒性较弱的问题,提出了一种待测信号稀疏模型先验条件下的光谱图像压缩采样目标检测方法.该方法利用待测信号的稀疏表示子空间构造压缩采样矩阵,增强采样矩阵的信息获取能力;采用...     

面向多目标拦截问题的协同任务分配方法研究

针对多枚空空导弹攻击多架飞机的作战场景,研究集群协同的多目标任务分配,实现对多架飞机的拦截.针对战场环境高动态、高复杂性的特点,采取基于灰狼优化算法(grey wolf optimization,GWO)的实时任务分配方案.为解决灰狼优化算法容易陷入局部最优、易早熟的问题,提出了两方面的改进策略:一是优化种群,以佳点集...     

基于面积比矩阵的加权特征向量点匹配算法

提出一种在仿射变换下点集关系描述算子--面积比矩阵,证明了其在仿射变换群下的不变性质;并由该性质推导得出特征向量(EA)匹配算法抗噪性能差的原因,在此基础上给出了基于面积比矩阵的加权特征向量算法.算法构造不同图像的面积比矩阵,对矩阵进行分解得到其特征值和特征向量,通过特征值进行加权获得图像中点的特征向量,比较图像点的特征向量获取匹配关系.因面积比矩阵的仿射不变性质,算法能实现仿射变换下点集精确匹配;采用的加权特征向量法改进了EA匹配法,具有更好的抗噪性能.实验表明算法切实可行.     

机动目标一维距离像RAT法线性化补偿

研究了机动目标宽带线性调频脉冲回波全去斜率信号模型,根据速度和加速度的调频频谱展宽特点,提出了机动目标宽带一维距离像线性化调频回波模型,给出了Radon模糊图转换(RAT)法线性参数估计与运动补偿方法,并进一步分析了测速和测距误差.仿真实验验证了RAT法一维距离像线性化参数估计与补偿,表明该方法很好地解决了运动参数未知情况下机动目标的一维距离像频谱展宽问题.     

潜艇TMP问题透析与展望

针对潜艇指控系统目标运动要素解算(TMP)存在的主要问题,从算法理论和作战使用要求等方面进行了系统分析.探讨了潜艇目标运动要素解算的合理结构,肯定了理论模型整个TMP过程中所起的主导地位,并对未来研究所具有的潜力进行了挖掘.强调TMP过程人机交互和多条件综合控制的重要性,指出了TMP今后的研究发展方向.     

支持向量机的战场直升机目标分类识别

对基于支持向量机的战场直升机目标分类识别技术进行了研究,分别将谐波集(HS)频率和不同尺度小波子空间能量作为特征矢量,设计出一种基于支持向量机的直升机目标分类器,并将该分类器与kNN分类器和BP神经网络分类器进行分类对比实验.结果表明两种特征提取方法,都能很好地体现不同声目标之间的差异,SVM分类器相对于其他两种分类器具有更好的分类性能,目标识别率达到96%以上.